AI Operations Intelligence

AI Operations Intelligence est le composant analytique de l’Operational Health Matrix destiné à améliorer la qualité de l’exploitation grâce à l’analyse intelligente des données accumulées.

L’AI ne prend pas de décisions d’exploitation de sa propre initiative.

Toutes les recommandations constituent une aide experte apportée à l’ingénieur et doivent être confirmées par l’utilisateur.

Cette approche garantit le respect des principes de transparence, de reproductibilité et de maîtrise des infrastructures critiques.

Principes de conception

Le composant AI repose sur les principes suivants :

• des recommandations explicables ;
• l’humain dans la boucle (Human-in-the-Loop) ;
• un processus opérationnel déterministe ;
• une aide à la décision traçable ;
• une analytique non destructive.

Aucune recommandation de l’intelligence artificielle ne modifie automatiquement une Operational Issue.

Operational Issues similaires

Lors de l’enregistrement d’une nouvelle Operational Issue, le système recherche automatiquement des cas similaires.

La comparaison s’appuie sur les paramètres suivants :

• le canon de l’Issue (Canon) ;
• le type d’équipement ;
• la version du firmware ;
• la configuration ;
• la région ;
• les conditions d’exploitation ;
• la Root Cause ;
• la solution appliquée ;
• le résultat confirmé.

L’ingénieur voit les cas les plus pertinents, accompagnés de leur score de similarité.

Hiérarchisation des Root Cause

Lorsque plusieurs causes sont possibles, le système établit une liste hiérarchisée des Root Cause les plus probables.

Pour chaque cause, le système affiche :

• la probabilité ;
• les Evidence à l’appui ;
• les cas similaires ;
• les vérifications recommandées ;
• l’impact attendu.

La détermination finale de la Root Cause revient à l’ingénieur.

Maintenance prédictive

À partir des données historiques, le système identifie les équipements présentant une probabilité élevée de problèmes d’exploitation.

La prévision peut prendre en compte :

• la vitesse de dégradation du Health Score ;
• la récurrence des problèmes canoniques ;
• les statistiques de réparation ;
• l’âge de l’équipement ;
• la stabilité de la communication ;
• les facteurs saisonniers ;
• l’intensité d’exploitation.

Le résultat est une recommandation de maintenance préventive.

Analyse de la dérive des détecteurs (Detectors)

OHM surveille en continu l’efficacité de ses propres modèles analytiques.

Pour chaque Detector, le système analyse :

• l’évolution de l’Accuracy ;
• l’évolution de la Precision ;
• l’évolution du Recall ;
• l’augmentation des False Positives ;
• l’augmentation des False Negatives ;
• l’évolution de la Confidence Distribution.

Lorsqu’une dégradation est détectée, le Detector passe à l’état Requires Review.

Risques opérationnels émergents

L’AI analyse l’ensemble des Operational Issues afin de dégager de nouvelles tendances.

Par exemple :

• la hausse des défaillances d’un modèle d’équipement donné ;
• l’augmentation du nombre d’erreurs après une mise à jour du firmware ;
• la dégradation de la communication dans une région donnée ;
• l’augmentation du nombre de Root Cause identiques.

Ces événements sont affichés en tant qu’Emerging Risks.

Niveau de confiance des recommandations

Chaque recommandation est assortie d’un coefficient de confiance.

Pour renforcer la confiance, l’ingénieur voit toujours :

• les Evidence utilisées ;
• les Operational Issues liées ;
• les cas similaires ;
• l’explication du motif de la recommandation.